可解释脑肿瘤检测：EfficientNetV2-S 与 RBF-SVM 多源 MRI 研究复现档案-97482
本数据集是可解释脑肿瘤检测研究的复现档案，采用冻结的 EfficientNetV2-S 特征提取、基于 PCA 的降维以及经校准的 RBF-SVM 分类，并进行源留出评估
基本信息
资源简介
可解释脑肿瘤检测：EfficientNetV2-S 与 RBF-SVM 多源 MRI 研究复现档案
Explainable Brain Tumor Detection Using EfficientNetV2-S and RBF-SVM: A Multi-Source MRI Study — Reproducibility Archive
本数据集是可解释脑肿瘤检测研究的复现档案，采用冻结的 EfficientNetV2-S 特征提取、基于 PCA 的降维以及经校准的 RBF-SVM 分类，并进行源留出评估。档案提供复现所报告分析所需的计算资源，包括数据集来源文档、完整性审计记录、冻结评估协议、模型信息、预测输出、统计分析和可解释人工智能结果。由于原始 MRI 图像仍受各自源数据集许可限制，本档案不重新分发原始图像，仅提供元数据、清单、审计记录、模型、输出和分析材料（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：本复现档案随研究《Explainable Brain Tumor Detection Using EfficientNetV2-S and RBF-SVM: A Multi-Source MRI Study》一同发布。该档案提供复现所报告分析所需的计算资源，包括数据集来源文档、完整性审计记录、冻结评估协议、模型信息、预测输出、统计分析和可解释人工智能（XAI）结果。所提出的框架使用冻结的 EfficientNetV2-S 特征提取、基于 PCA 的降维以及经校准的 RBF-SVM 分类，并进行源留出评估。原始 MRI 图像不重新分发，因为它们仍受各自源数据集许可限制。本档案提供元数据、清单、审计记录、模型、输出以及计算所需的分析材料
【主题与分类】
主题标签：brain tumor classification、MRI、deep learning、EfficientNetV2-S、Support Vector Machine、RBF-SVM、Explainable Artificial Intelligence、SHAP、Grad-CAM、Medical Imaging。本站分类：肿瘤/脑肿瘤。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.21855712
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.21855712
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 213.7 MB。
数据说明
本可复现性档案随以下研究一同发布：“使用EfficientNetV2-S和RBF-SVM的可解释脑肿瘤检测：一项多源MRI研究”。该档案提供了复现所报告分析所需的计算资源，包括数据集来源文档、完整性审计记录、冻结的评估协议、模型信息、预测输出、统计分析和可解释人工智能（XAI）结果。所提出的框架使用冻结的EfficientNetV2-S特征提取、基于PCA的降维以及经校准的RBF-SVM分类，并采用源数据集留出评估。原始MRI图像未重新分发，因为它们仍受各自源数据集许可限制的约束。该档案提供了计算可复现性所需的元数据、清单、审计记录、模型、输出和分析材料。本发布代表计算验证，并不确立临床部署就绪性或前瞻性临床验证。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
